Audio a texto: gratis, privado y en tu navegador

Cuando cargas esta página, todavía no se descarga ningún modelo: la página se mantiene ligera. En el momento en que eliges un archivo y comienzas, la herramienta obtiene un modelo de reconocimiento de voz y lo ejecuta dentro de un proceso en segundo plano en tu navegador, usando la GPU de tu dispositivo a través de WebGPU donde está disponible y recurriendo a un camino por CPU (WASM) en los navegadores que lo necesitan, como Safari.

El audio se decodifica a muestras en bruto, se divide en fragmentos manejables para grabaciones largas y se pasa por el modelo para producir texto con sincronización. Todo ese cálculo ocurre en tu hardware. La primera ejecución de un modelo dado incluye una descarga única; después de eso el modelo queda en caché, así que las transcripciones repetidas empiezan casi de inmediato, incluso sin conexión.

Hay un verdadero equilibrio entre qué tan rápido llega una transcripción y qué tan precisa es, así que la herramienta ofrece niveles en lugar de decidir por ti:

• Rápido (~40MB): se descarga en segundos, funciona bien en teléfonos y laptops modestas, y sirve para voz clara y borradores rápidos.
• Equilibrado: una descarga más grande con un manejo notablemente mejor de acentos, voces superpuestas y ruido de fondo; una buena opción por defecto para entrevistas y reuniones.
• Calidad (~530MB, opcional): el nivel más preciso, que vale la descarga única más grande cuando la calidad de la transcripción importa más que la velocidad. Es opcional precisamente porque medio gigabyte no es algo que debas descargar en silencio.

Como todo se ejecuta localmente, una máquina más rápida simplemente termina antes: no hay cola ni límite por minuto.

El modelo admite alrededor de 100 idiomas y detecta el idioma hablado automáticamente, así que puedes soltar audio en francés, hindi, español o árabe sin cambiar ningún ajuste. Si la detección alguna vez falla en un clip corto o ruidoso, puedes fijar el idioma a mano.

Cada transcripción viene con marcas de tiempo, que es lo que hace útiles las exportaciones de subtítulos. Guarda como SRT o VTT y obtienes subtítulos con tiempos correctos, listos para un editor de video, YouTube o un reproductor. Guarda como TXT cuando solo quieras las palabras: la transcripción de una entrevista, apuntes de una reunión o una copia buscable de una clase. Los formatos de subtítulos y el texto plano salen todos del mismo resultado con tiempos, así que puedes exportar más de uno sin volver a ejecutar nada.

Está hecha para las tareas cotidianas que la gente realmente necesita resolver: convertir entrevistas y podcasts en texto buscable, redactar el acta de una reunión a partir de una grabación, subtitular un video, transcribir notas de voz o hacer legible y citable un archivo de audio viejo.

No es una herramienta de dictado en vivo: transcribes archivos que ya tienes, no un micrófono en tiempo real. Y como el modelo se ejecuta en tu dispositivo, las grabaciones extremadamente largas tardarán más en una máquina lenta y usarán más memoria. Para la mayoría de los archivos eso no es un problema; para audio de varias horas, una laptop lo maneja con más comodidad que un teléfono.